10/18에 응시한 한국장학재단 IT 개발운영 필기 시험 !전 날 한전 시험을 보고 아 그래도 한전보단 쉽겠거니 하고 갔다. (ㅇㅇㄴㅇ) 서울 사는 친구 집에서 기생하다가 일찍 나와서 시험장으로 향했다.시험장은 잠신중학교였는데 동네 사람이 아니다보니 입구 찾는 것이 어려웠다 .설상가상으로 비가 와서 컨디션 난조 예상.아니나 다를까 1교시 끝나니까 너무 피곤하고 지쳐서 전공시험을 망나니로 본 거 같다.(왜 노력하지 않는 거야?) 고사실이 음악실이었는데 옆자리랑 생각보다 가까이 붙어 있어서짝꿍이랑 같이 시험 보는 듯한 이 기시감 ;; 의사소통 : 기안서 공문서 등 문서 관련 문제가 나왔고 맞춤법이나 띄어쓰기 문제는 없었다.수리 : 응용수리 하나를 패스했던 거 같은데 시간이 있었다면 다 풀었을 지도..

10/17에 응시한 한국전력공사 ICT 필기시험!어려웠어요. 저에겐 너무 어려웠고 그냥 어려웠다? 와 어렵구나 가 한줄평이었다.내가 지금까지 본 NCS들은 NCS도 아니구나 .. 아 진짜 열심히 해야 되는구나쉽게 생각했구나 .. 나는 택도 없구나 했다. 시험 끝나자마자 KTX 타고 서울 가야해서 (장학재단 시험) 그래. 오늘 시험을 경험 삼아서 더 열심히 해야지 다짐하고용산역에서 곱창 먹고 쿨쿨 잤음 ㅜㅜ (?) 아무튼 시험 후기는 저는 기술 과목이 제일 자신이 없었습니다.이유는 자신이 없었기 때문입니다. 상반기에 정보통신기사를 따려고 시도를 했었는데 머릿속에 아무것도 안 들어와서 빅분기로 방향을 튼 적이 있습니다.그런데 한전 전공시험은 정통기가 많이 나온다는 말을 불과 2주 전에 알았고다시 그 정통기..

10/10에 응시한 정출연 필기시험한국원자력연구원에 기술직으로 지원했답니다 . 이번 하반기가 첫 필기라서 공사/공단/정출연/재단 안 가리고 다 시험 응시를 해보고 있다 ~ !같은 날 서울에서 오전/오후로 2개의 공단 시험이 있었는데 매주 서울로 시험을 보러 가다 보니 이때는 지쳤었는지..지방에서도 열리는 정출연 공동채용을 보기로 하고 나머지 두 개의 시험을 버렸다;; ㅎㅎ 이전에 응시했던 두 기업체 모두 필기에 떨어져서 기가 좀 죽어있었다 .. . . .(겨우 두 개 봐놓고 기가 죽다니)근데 다행히도 정출연 NCS는 타기관에 비해 쉽게 나오더군요 ?의사소통, 수리가 진짜 진짜 나쁘지 않았다 . - 모듈형/피셋형이 적절히 섞인 문제였고- 가끔 와 이렇게 쉬운 문제 내도 돼? 싶은 것도 있었다. 참고로..

퇴사하고 다시 하는 취준 !3개월은 놀고,, 6개월은 자격증 준비하느라2026년 하반기가 되어서야 제대로 된 취준을 하고 있다. 첫 시험은 9/19에 본 석유공사!지방러에게 서울까지 오라는 연락을 하사해주시다니당일 새벽에 감사하게도 아빠가 데려다주셨다 .시험장 들어갈 때 아빠가 응원해주니까 괜시리 울컥함 ^^;; (주책) 근데 그 응원을 공중분해 시킨 나의 뇌.한 마디로 정리하자면 실수가 너무 많았다. (실수일까? 지능일까?) 일단 붙을 줄 모르고 막연하게 기본서 2회독 하고 있던 나에게급작스레 서류 합격이 날아오고 .. 봉투 모의고사는 하나도 안 풀어보고 갔다..ㅋㅋ(여기서부터 자격 박탈) 1교시 NCS에서 의사소통까지는 수월하게 풀었는데 자료해석 & 문제해결전부 시간이 오래 걸렸다 .그래서 뒤에 있..

9/20 목동고에서 시험 . . ~19일 석유공사 필기 시험으로 기가 쫙 빨린 상태라 공허한 눈으로 산업단지공단 시험을 보러갔다.인생 두 번째 NCS였는데전날 봤던 석유공사에 비하면 ncs는 쉬운 편이었다.문제는 전공시험이었음을...애초에 머신러닝개론과 알고리즘이 정처기&컴퓨터일반 시험범위 보다 넓은데대충 훑고 간 내가 한심 .활용이나 계산 문제보다개념과 이론 위주였다. (근데 이제 깊고 자세한)7-80프로가 ㄱㄴㄷㄹ 고르는 문제라대충 알면 혼쭐나는 시험이었다 . 결과는 당연히 불합기역!!급하게 본 탓일까..크흠 이 다음 시험을 잘 준비해야지 ^_^

안녕하세요 ?몇 달 전에 빅데이터분석기사 필기 합격 후기를 남겼었는데요 !오랜 시간 끝에 6월 20일에 실기 시험을 응시하였습니다 . 공부 방법, 시험 유형, 12회 실기 문제, 시험 후기 등을 남겨보겠습니다 :) 빅데이터분석기사 실기 시험 공부법 (1) 교재 저는 필기 시험을 준비할 때부터 "이기적" 교재를 사용했습니다. 딱히 이유가 있어서 고른 책은 아니고 ,교보문고에 빅데이터분석기사 책 치니까 제일 처음으로 뜨길래그냥 저 책으로 공부했습니다_^^ 저는 전공자여서 저 책 한권으로 커버 가능했는데비전공자 분들이 볼 땐 어쩔지 잘 모르겠습니다 ㅜㅜ.잘 서치해보시고 , 더 좋은 책이 있다면 그 책으로 고르십시오 !! 참고로 기출문제는 이기적 교재에 같이 들어있던 기출 문제입니다 .( 답지 확인하기 번거..

1. 캐시캐시는 예시를 살펴보면, 이게 뭔지 감이 잡힐 것이다!"캐시"가 없을 때, 웹 브라우저에서 star.jpg 요청 -> star.jpg 응답을 내려줌.그 이후에 또 똑같이 star.jpg를 요청하면 -> 서버는 또 star.jpg를 응답으로 내려준다. 이 방식은 큰 단점이 있다.데이터가 변경되지 않아도, 계속 네트워크를 통해 다운로드 받는다.인터넷 네트워크는 매우 느리고 또 비싸다.브라우저 로딩 속도가 느리다. -> 사용자 불편그럼, 캐시를 도입하면 어떨까?  캐시가 있을 때, 웹 브라우저에서 star.jpg 요청 -> 서버는 응답 헤더에 cache-control: max-age=60이라는 헤더를 넣고 응답 이 말은, 60초동안 이 캐시가 유효하다는 뜻이며, 해당 캐시가 브라우저 캐시 저장소에 6..

1. HTTP : StatelessSet-Cookie : 서버에서 클라이언트로 쿠키 전달한다.Cookie : 클라이언트가 서버에서 받은 쿠키를 저장하고, HTTP 요청시 서버로 전달한다.쿠키를 사용하지 않으면 클라이언트가 /welcome에 접속하면 어서오세요~라고 하되,"홍길동"으로 로그인하고 /welcome 접속시 어서오세요 홍길동님~을 기대한다.그런데 쿠키가 없으면 들어온 클라이언트가 홍길동인지 장윤복인지 서버는 전혀 모르는 것이다. 하지만, HTTP는 무상태 프로토콜이다.클라이언트와 서버가 요청을 주고 받으면 연결이 끊어지며,클라이언트가 다시 요청하면 서버는 이전 요청을 기억하지 못한다.그러므로, 클라이언트와 서버는 서로 상태를 유지하지 않는다. 2. 쿠키위와 같이 사용자 인증 상태, 쇼핑 카트 정..

HTTP에 대한 개요를 설명할 때, 헤더 부분에 대해 자세히 짚고 가지 않아이번 게시글에 정말 자세히 살펴볼 것이다. 1. RFC7230(최신) 메시지 본문(message body)을 통해 표현 데이터들이 전달된다.메시지 본문을 페이로드라고 하는데, 여기에 담기는 표현은 요청이나 응답에서 전달할 실제 데이터를 의미한다.표현 헤더는 표현 데이터를 해석할 수 있는 정보를 제공하는 역할을 한다.- 데이터 유형(html, json..), 데이터 길이(content-length), 압축 정보 등을 담게 된다. 2. RepresentationContent Type : 표현 데이터의 형식을 설명한다.- 미디어 타입이나 문자 인코딩도 제공 ex) test/html; charset=UTF-8Content-Encoding..

1. 상태코드?- 클라이언트가 보낸 요청의 처리 상태를 응답에서 알려주는 기능을 한다.- 당연하지만, 서버의 응답 메시지에 상태코드가 담기게 된다.>> 404 not found(일의자리까지 정확히 외울 필요는 없지만 404 처럼 익숙한 상태 코드들이 있으니,,알면 좋겠다!) 1xx (informational) : 요청이 수신되어 처리중 (거의 사용하지 않음.)2xx (Successful) : 요청 정상 처리3xx (Redirection) : 요청을 완료하려면 추가 행동이 필요4xx (Client Error) : 클라이언트 오류 (잘못된 문법..)5xx (Server Error) : 서버 오류, 서버가 정상 요청을 처리하지 못함 각각 "200번대", "300번대" 상위 상태코드로 해석하여 처리하면 된다. ..

클라이언트에서 서버로 데이터 전송하는 방식은 크게 두 가지이다.쿼리 파라미터를 통한 데이터 전송- GET- 주로 정렬 필터(검색어)메시지 바디를 통한 데이터 전송- POST, PUT, PATCH- 회원 가입, 상품 주문, 리소스 등록, 리소스 변경 그럼, 클라이언트에서 서버로 데이터가 전송되는 4가지 상황을 생각해보자. 1. 정적 데이터 조회 - 이미지, 정적 텍스트 문서2. 동적 데이터 조회 - 검색, 게시판 목록에서 정렬 필터(검색어)3. HTML Form을 통한 데이터 전송 - 회원 가입, 상품 주문, 데이터 변경4. HTTP API를 통한 데이터 전송 - 회원 가입, 상품 주문, 데이터 변경 (서버 to 서버, 앱 클라이언트, 웹 클라이언트) 1. 정적 데이터 조회정적 데이터를 조회할 때는 쿼리 ..

1.회원 정보 관리 API를 만들어라.회원 목록 조회회원 조회회원 등록회원 수정회원 삭제  - 회원 목록 조회 /read-member-list- 회원 조회 /read-member-by-id- 회원 등록 /create-member- 회원 수정 /update-member- 회원 삭제 /delete-member 이렇게 설계하면 어떨까..? > 안된다가장 중요한 것은, 리소스를 식별하는 것이다. 회원을 조회하고, 등록하고, 수정하고, 삭제하는 것은 리소스가 아니다. 바로 "회원" 그 자체가 리소스이다.엇, 그럼 다 member인데..? >> 맞다. 회원이라는 리소스만을 식별하되 회원 리소스를 URI에 매핑하면된다.  - 회원 목록 조회 /members- 회원 조회 /members/{id}- 회원 등록 /memb..

1. VAE 개념 AE(Auto Encoder) : 잠재 공간(Latent Variable)에 값을 저장한다.잠재 공간에서는 input x에 대해 자신을 언제든지 reconstruct 할 수 있는 "z를 만드는 것" VAE : 잠재 공간에 확률분포를 저장하므로, 평균과 분산 파라미터를 생성한다.input x가 만들어지는 확률분포를 찾고, 다른 Data에 대해 이 확률분포(Variational Distribution)를 활용 주 목적은 Latent space(즉, 이미지의 특징)를 Decoder에 통과시켜 결과를 얻는 것=> Decoder를 학습그리고 여기서 Decoder를 학습시키기 위해 Encoder를 앞단에 붙여 특징을 뽑는 과정이 추가된다는 것이다. 2. VAE - Approximate Model ..

1. Cycle GAN Model - Generator 1) 2개의 GAN(G&F)- Generator G : X-> Y mapping(Foward transformation)- Generator F :  Y-> X mapping(Backward transformation) pix2pix generatorUNet : encoder-decoder 구조로 고수준의 특징 추출을 수행한다.(생성된 이미지의 해상도가 낮음) Cycle GAN generator비슷한 성격을 지닌 두 도메인 간의 이미지 변환을 수행Unet의 많은 skip connection -> 모델이 과도하게 단순화, 생성된 이미지의 세부 정보(detail) 부족하게 됨결론적으로, ResNet & residual block을 사용 2. Cycle ..

1. Unconditional GAN앞서 설명한 일반적인 GAN의 경우 Unconditional한 생성 모델이며 데이터에 대한 제어를 위해 추가 정보를 사용하지 않는 모델이다. (The general GAN explained earlier is an unconditional generative model that does not use additional information to control the data generation.) 생성되는 데이터의 특정한 종류나 속성을 조절하기 위한 추가적인 정보 없이 데이터를 생성하게 된다. 2. Conditional GAN  Conditional GAN은 생성될 데이터의 특성을 지정하는 추가 정보를 사용하여 데이터 생성을 조절한다.입력에 조건을 추가하여 원하는 특..

1. GAN이란? GAN은 Generative Adversarial Network 즉, 적대적 생성 신경망으로, 2014년 Ian Goodfellow가 발명한 비지도 학습 알고리즘이다. GAN은 두 개의 Neural Network인 Generator와 Discriminator로 구성되며 이 두 신경망이 서로 경쟁하며 학습하는 구조를 가진다. 2. Generative model 분류 모델은 decision boundary를 학습하며 sample x가 주어졌을 때 label y의 확률 P(y|x)를 추정 생성 모델은 각각의 class에 대해 적절한 분포를 학습하며, sample x의 확률분포 P(x)를 추정 이미지 데이터셋을 예로 들면, 이미지의 다양한 특징을 반영한 특정 확률 분포가 존재하며 확률값이 높은..

1. U-Net - 이미지 세그멘테이션에 사용되는 딥러닝 아키텍처 - 인코더-디코더 기반의 모델 - 충분한 양의 라벨이 없는 작은 데이터셋에서도 효과적으로 작동 2. U-Net의 구조 Encoder 역할의 Contracting path Decoder 역할의 Expansive path Skip connection U-Net은 위와 같이 세 가지 파트로 나눌 수 있다. Encoder (Contracting Path) 입력 이미지의 특징을 추출할 수 있도록 채널 수를 늘리면서 차원을 축소하는 단계 1. convolution 연산 : 일반적으로 3x3 크기의 커널을 사용, 필터의 수는 해당 레이어에서 추출할 특징의 수를 나타낸다. 2. pooling 연산 : 풀링 연산을 통해 down sampling을 수행 주..

1. Segmentation (세그멘테이션) 이미지를 작은 부분이나 세그먼트로 나누는 작업. 세그멘테이션의 두 가지 종류 - 시맨틱 세그멘테이션(Semantic Segmentation) - 인스턴스 세그멘테이션(Instance Segmentation) Semantic segmentation 이미지의 각 픽셀을 해당하는 객체 또는 클래스에 할당하는 작업 픽셀 수준에서 객체 또는 특정 패턴을 식별하는 것이 목표 (여기서 객체란 자동차, 사람, 동물 등) Instance segmentation 각 객체 또는 인스턴스를 식별하고 픽셀 수준에서 분리하는 작업 동일한 클래스에 속하는 두 개 이상의 객체를 서로 다르게 식별할 수 있다. ex) 여러 사람이 있는 이미지에서 각 사람을 따로 식별하고 구분 위 사진이 se..